[发明专利]一种海域表层水温预测方法和装置

说明书

本发明公开了一种海域表层水温预测方法和装置，所述方法包括如下步骤：对获取的海洋表层水温时间序列数据进行EMD分解，得到IMF分量和剩余量；基于IMF分量、剩余量以及LSTM深度学习网络进行预测，得到各个预测中间量；对各个预测中间量进行合成，得到最终预测结果。本发明提供的基于EMD分解和LSTM深度学习的海域表层水温预测方法和装置，提高了海洋表层水温的预测精度和效率。

技术领域

本发明涉及海洋科技技术领域，更具体的说是涉及一种基于EMD分解和LSTM深度学习的海域表层水温预测方法和装置。

背景技术

海水温度是海洋重要物理特征，海表温度是影响海洋和大气运动的重要因素，海表温度预报在气候变化、海洋热量储存、生态环境、国防军事和水产养殖等方面具有重要作用。

现有的对海洋表面温度预测方法分为三种：(1)统计预报法：应用概率论、数理统计的方法预报未来海水温度变化；(2)数值模式法：依据海水运动方程和热力方程等一系列偏微分方程描述海水物理状态，通过给定初始条件、边界条件和外界强迫因子对方程进行求解，从而得出未来海水温度变化；(3)经验预报法：根据海表温度自身变动的持续性、周期性、相似性以及与其他要素的相关性，来做出定性或定量预报。但是由于海洋表面温度变化随机性非常强，非线性和非平稳性特征十分明显，目前还没有一种明确可行且精度较高的方法对海洋表面温度进行有效的预测。

因此，如何提高海洋表层水温的预测精度是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于EMD分解和LSTM深度学习的海域表层水温预测方法和装置，提高了海洋表层水温的预测精度和效率。

为了实现上述目的，本发明采用如下技术方案：

一种海域表层水温预测方法，包括如下步骤：

对获取的海洋表层水温时间序列数据进行EMD分解，得到IMF分量和剩余量；

基于IMF分量、剩余量以及LSTM深度学习网络进行预测，得到各个预测中间量；

对各个预测中间量进行合成，得到最终预测结果。

优选的，还包括：基于均方根误差和平均绝对误差对最终预测结果进行评估。

一种海域表层水温预测装置，包括：

分解模块，用于对获取的海洋表层水温时间序列数据进行EMD分解，得到IMF分量和剩余量；

预测模块，用于基于IMF分量、剩余量以及LSTM深度学习网络进行预测，得到各个预测中间量；

合成模块，用于对各个预测中间量进行合成，得到最终预测结果。

优选的，还包括：评估模块，用于基于均方根误差和平均绝对误差对最终预测结果进行评估。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于EMD分解和LSTM深度学习的海域表层水温预测方法和装置，对获取的海洋表层水温时间序列数据进行EMD分解，得到IMF分量和剩余量；基于IMF分量、剩余量以及LSTM深度学习网络进行预测，得到各个预测中间量；对各个预测中间量进行合成，得到最终预测结果。

本发明提供的基于EMD分解和LSTM深度学习的海域表层水温预测方法和装置具有如下优点：

(1)实现了针对海域表层水温数据的高精度预报，预报数据时间间隔1小时，24小时预报平均绝对误差为0.41℃，达到国际先进水平。

(2)本发明提供的方案仅需使用海域表层水温的长时间序列数据，不需要使用其它数据。

(3)本发明提供的方案占用资源少，计算速度快。